原文： https://machinelearningmastery.com/deploy-machine-learning-model-to-production/
并非所有预测模型都是 Google 规模的。
有时，您需要开发一个小型预测模型，并将其放入软件中。
我最近收到了这个读者问题：
实际上，我对机器学习的知识缺少一部分。在构建机器学习模型之前，所有教程都会为您提供相应的步骤。你怎么能用这个模型？
在这篇文章中，我们将介绍一些最佳实践，以简化模型到生产的过渡，并确保您充分利用它。
如何将您的预测模型部署到生产 照片由 reynermedia ，保留一些权利。
因此，您已经完成了一个系统化的过程，并创建了一个可靠且准确的模型，可以预测您的问题。
你想以某种方式使用这个模型。
- 也许你想创建一个可以进行临时预测的独立程序。
- 也许您希望将模型合并到现有软件中。
我们假设您的软件是适度的。您不是在寻找 Google 规模的部署。也许它只适合你，也许只是一个客户或者可能是一些工作站。
到目前为止还不错？
现在，我们需要了解一些最佳实践，以便将准确可靠的模型投入运营。
为什么不将模型打入您的软件并发布？
你可以。但是，通过添加一些额外的步骤，您可以确信您正在部署的模型是可维护的并且长期保持准确。
您是否已将模型投入生产？ 请发表评论并分享您的经历。
在将预测模型部署到生产环境中时，您可以采取以下五个最佳实践步骤。
你需要清楚地说明什么是好的和坏的表现。
这可能是准确率或误报或任何指标对业务都很重要。
拼出，并使用您开发的当前模型作为基线数字。
随着您改进系统，这些数字可能会随着时间的推移而增加。
表现要求很重要。没有它们，您将无法设置确定系统是否按预期运行所需的测试。
在达成最低，平均或表现范围预期之前，请不要继续。
您可能已使用库来创建预测模型。例如，R，scikit-learn 或 Weka。
您可以选择使用该库部署模型，或者在软件中重新实现模型的预测方面。您甚至可能希望将您的模型设置为 Web 服务。
无论如何，最好将从模型内部做出预测的算法分开。这是从训练数据中学习的模型中的特定系数或结构。
机器学习算法的复杂性通常在模型训练中，而不是在做出预测。
例如，使用回归算法做出预测非常简单，并且易于以您选择的语言实现。这将是重新实现的明显算法的示例，而不是模型训练中使用的库。
如果您决定使用该库做出预测，请熟悉 API 和依赖项。
用于做出预测的软件就像应用程序中的所有其他软件一样。
像软件一样对待它。
实现它，编写单元测试，使其健壮。
让我们调用模型学习的数字或结构：_ 系数 _。
这些数据不是您的应用程序的配置。
将其视为软件配置。
使用软件项目将其存储在外部文件中。版本吧。将配置视为代码，因为它可以轻松破坏您的项目。
随着您改进模型，您很可能需要在将来更新此配置。
您需要自动化测试来证明您的模型按预期工作。
在软件领域，我们所有这些回归测试。随着我们对系统的不同部分进行更改，它们确保软件未来的行为不会退化。
为您的模型编写回归测试。
- 收集或提供一小部分数据样本做出预测。
- 使用生产算法代码和配置做出预测。
- 确认测试中预期的结果。
这些测试是你的预警警报。如果它们失败，您的模型将被破坏，您无法发布软件或使用该模型的功能。
使测试严格执行模型的最低表现要求。
除了要包含的域中的任何原始数据集之外，我强烈建议设计您理解的测试用例。
我还强烈建议随着时间的推移收集异常值和有趣的案例，这些案例会产生意外结果（或破坏系统）。这些应该被理解并添加到回归测试套件中。
每次代码更改后和每次发布之前运行回归测试。每晚运行它们。
模型将发生变化，软件和正在做出预测的数据也将发生变化。
您希望使用大型数据库上的指定配置自动评估生产模型。
这将允许您有效地回溯测试历史数据模型的更改，并确定您是否真正做出了改进。
这不是可用于超参数调整的小数据集，这是可用的全套数据，可能按月，年或其他一些重要分界进行划分。
- 将当前运营模型运行到基准表现。
- 运行新模型，竞争进入运营的地方。
设置完成后，每晚或每周运行一次，并自动报告。
接下来，添加一个 Now-Test。
这是对最新数据的生产模型的测试。
也许这是今天，本周或本月的数据。我们的想法是获得一个早期警告，即生产模型可能会步履蹒跚。
这可能是由内容漂移引起的，其中模型利用的数据中的关系随着时间的推移而微妙地变化。
如果表现低于最低表现要求，此 Now-Test 还可以吐出报告并发出警报（通过电子邮件）。
您需要更新模型。
也许您设计了一个需要新代码和新配置的全新算法。重温以上所有要点。
更小且更易于管理的变化将是模型系数。例如，您可能设置了每晚运行的模型超参数的网格或随机搜索，并吐出新的候选模型。
你应该这样做。
测试模型并且非常关键。给每个模型一个新的模型。
使用上面第 4 点中的 Back-Test 和 Now-Test 基础架构评估新模型的表现。仔细检查结果。
使用回归测试评估更改，作为最终的自动检查。
测试使用该模型的软件的功能。
也许可以将更改推送到某些位置或测试版中以获得反馈，同样可以降低风险。
一旦您确信它满足最低表现要求并且优先于之前的结果，请接受您的新模型。
像棘轮一样，考虑随着模型表现的提高，逐步更新表现要求。
将小型模型添加到操作软件是非常可行的。
在这篇文章中，您发现了 5 个步骤，以确保您覆盖您的基础并遵循良好的工程实践。
总之，这些步骤是：
- 指定表现要求。
- 从模型系数分离预测算法。
- 为您的模型开发回归测试。
- 开发反向测试和现在测试基础设施。
- 挑战然后试用模型更新。
如果您对有关操作机器学习模型的更多信息感兴趣，请查看帖子：
这更多是关于 Google 规模的机器学习模型部署。观看所提及的视频，并查看 AirBnB 和 Etsy 生产管道的重要链接。
您对此帖子有任何疑问或将您的模型投入生产吗？ 在评论中提出您的问题，我会尽力回答。